L'IA n'est pas une invention soudaine. C'est le fruit de soixante-dix ans de recherche, marqués par des cycles d'espoirs et de déceptions, jusqu'à une rupture récente qui a tout accéléré.
1.1Avant l’IA : la logique et la machine pensante
L'idée d'une machine capable de raisonner précède de loin l'informatique. Elle s'enracine dans la formalisation de la logique au XIXᵉ siècle (l'algèbre de Boole, 1854) puis dans les travaux fondateurs d'Alan Turing. En 1936, Turing définit un modèle théorique de calcul universel (la « machine de Turing ») qui pose qu'une seule machine peut, en principe, exécuter n'importe quel calcul.
En 1950, dans Computing Machinery and Intelligence, il propose le célèbre « test de Turing » (qu'il nomme le jeu de l'imitation) : une machine peut être dite « intelligente » si un interlocuteur humain ne parvient pas à la distinguer d'un humain dans une conversation.
1.21956 : la naissance officielle de la discipline
Le terme « intelligence artificielle » est forgé en 1956 lors de la conférence d'été de Dartmouth, organisée par John McCarthy, Marvin Minsky, Claude Shannon et Nathaniel Rochester. L'hypothèse de départ est ambitieuse : tout aspect de l'intelligence peut en principe être décrit assez précisément pour qu'une machine le simule. C'est le point de départ de l'IA symbolique, qui cherche à reproduire le raisonnement par des règles logiques explicites.
Les premières décennies sont optimistes. En 1957, Frank Rosenblatt invente le perceptron, premier réseau de neurones artificiel capable d'apprendre. Mais en 1969, Minsky et Papert démontrent dans Perceptrons les limites mathématiques de ces modèles simples, ce qui freine durablement la recherche connexionniste.
1.3Les « hivers de l’IA »
L'histoire de l'IA est faite de cycles d'enthousiasme et de désillusion. Après les promesses non tenues, les financements s'effondrent : c'est le premier « hiver de l'IA » dans les années 1970 (accéléré par le rapport Lighthill de 1973 au Royaume-Uni).
Les années 1980 voient un regain avec les systèmes experts, des programmes encodant le savoir de spécialistes sous forme de règles (par exemple MYCIN, pour le diagnostic médical). Mais ces systèmes, coûteux et rigides, déçoivent à leur tour : c'est le second hiver à la fin des années 1980.
1.4La renaissance : apprentissage, données et puissance de calcul
Un tournant décisif vient en 1986, quand David Rumelhart, Geoffrey Hinton et Ronald Williams popularisent la rétropropagation du gradient, l'algorithme qui permet d'entraîner des réseaux de neurones à plusieurs couches. Mais il faudra attendre la conjonction de trois facteurs pour que cette approche explose :
- les données massives apportées par Internet ;
- la puissance de calcul des cartes graphiques (GPU) ;
- des algorithmes d'apprentissage profond perfectionnés.
Le moment fondateur est 2012 : le réseau AlexNet (Krizhevsky, Sutskever et Hinton) remporte le concours de reconnaissance d'images ImageNet avec une avance spectaculaire. C'est le début de la révolution de l'apprentissage profond (deep learning). En 2016, le programme AlphaGo de DeepMind bat le champion du monde de Go, Lee Sedol, un jeu longtemps réputé hors de portée des machines.
1.52017 : les Transformers, la rupture décisive
En 2017, une équipe de Google publie l'article Attention Is All You Need, qui introduit l'architecture Transformer. Reposant sur un mécanisme dit d'« attention », elle permet de traiter le langage de manière beaucoup plus efficace et parallélisable. C'est la brique technique qui rend possibles tous les grands modèles de langage actuels. À sa suite, OpenAI lance la série GPT (2018-2020) et Google le modèle BERT.
1.62022-2026 : l’IA devient grand public
Le 30 novembre 2022, OpenAI ouvre ChatGPT au public. L'adoption est fulgurante et fait basculer l'IA générative dans la culture de masse. Suivent GPT-4 (2023), puis une course effrénée entre laboratoires.
Deux évolutions marquent 2025-2026 : l'apparition des modèles de raisonnement (qui « réfléchissent » plus longtemps avant de répondre, comme la série o d'OpenAI ou DeepSeek-R1) et le virage vers les agents, des systèmes capables d'enchaîner des actions de façon autonome.
Signe de la maturité scientifique du domaine, le prix Nobel 2024 récompense deux travaux liés à l'IA : John Hopfield et Geoffrey Hinton (physique) pour les réseaux de neurones, et Demis Hassabis et John Jumper (chimie) pour AlphaFold, le système de prédiction de la structure des protéines.
1950Test de Turing
Turing pose la question : une machine peut-elle penser ?
1956Conférence de Dartmouth
Naissance du terme « intelligence artificielle ».
1957Perceptron
Premier réseau de neurones capable d'apprendre.
1970s1ᵉʳ hiver de l’IA
Effondrement des financements après les promesses non tenues.
1980sSystèmes experts
Regain, puis second hiver à la fin de la décennie.
1986Rétropropagation
L'algorithme qui entraîne les réseaux profonds.
2012AlexNet
Le deep learning gagne ImageNet : la révolution démarre.
2016AlphaGo
DeepMind bat le champion du monde de Go.
2017Transformers
« Attention Is All You Need » : la rupture décisive.
2022ChatGPT
L'IA générative devient grand public.
2024Prix Nobel
Hinton, Hopfield, Hassabis & Jumper récompensés.
2025-26Raisonnement & agents
Les modèles « réfléchissent » puis passent à l'action.
À retenir
L'IA n'est pas une invention soudaine mais le fruit de soixante-dix ans de recherche, marqués par des cycles d'espoirs et de déceptions. La rupture récente tient moins à une idée nouvelle qu'à la rencontre des données, du calcul et de l'architecture Transformer.
Sources
A. Turing, Computing Machinery and Intelligence (1950) ; Vaswani et al., Attention Is All You Need (Google, 2017) ; communiqués du comité Nobel (2024, nobelprize.org) ; S. Russell & P. Norvig, Artificial Intelligence: A Modern Approach.
Vous avez fini ce module ?
Votre progression est sauvegardée sur cet appareil.